Una delle sfide più rilevanti dell’IA generativa per le organizzazioni riguarda la gestione dei dati non strutturati. Oltre l’80% delle informazioni aziendali è infatti costituito da testi, documenti, email, immagini, note operative e contenuti multimediali che non seguono uno schema definito e che, per questo motivo, risultano difficili da indicizzare e da utilizzare in modo strategico.

Inoltre, questi dati crescono a ritmi impressionanti (tra il 50 e il 60% all’anno), generando un patrimonio informativo dal potenziale enorme ma spesso inutilizzato. La GenAI promette di trasformare questa massa di dati in valore, ma gli approcci attuali mostrano limiti evidenti tra modelli linguistici generici, risposte non contestualizzate, difficoltà di integrazione con i sistemi aziendali e complessità tecniche che rallentano l’adozione su larga scala.

In questo contesto si inserisce SAS Retrieval Agent Manager (RAM), soluzione no-code sviluppata da SAS per semplificare e industrializzare l’uso dell’intelligenza artificiale generativa in azienda. RAM si basa sul paradigma RAG (Retrieval Augmented Generation), un approccio che combina la potenza dei modelli linguistici di grandi dimensioni con una base dati proprietaria e costantemente aggiornata, garantendo risposte più affidabili, pertinenti e coerenti rispetto ai modelli utilizzati “a scatola chiusa”.

SAS Retrieval Agent Manager

Ciò che distingue SAS Retrieval Agent Manager rispetto ad altre soluzioni presenti sul mercato è la capacità di creare un ponte dinamico tra i dati dell’organizzazione e l’LLM, senza mescolare i due elementi in fase di addestramento. In questo modo, le informazioni sensibili rimangono protette, sotto il pieno controllo dell’azienda e utilizzate solo nel momento esatto in cui è necessario generare una risposta o una sintesi.

 

La piattaforma è inoltre progettata per essere utilizzata senza competenze di programmazione, offrendo un’interfaccia no-code che consente di acquisire, elaborare e indicizzare contenuti non strutturati in modo automatico. RAM identifica le configurazioni ottimali per ogni tipologia di documento e si integra con chatbot, applicazioni di knowledge management, portali aziendali e sistemi esistenti tramite API robuste. È anche compatibile con diversi servizi GenAI esterni, modelli linguistici e database vettoriali in modalità plug-and-play, in modo da adattarsi a diverse strategie di deployment.

Un altro aspetto chiave della piattaforma è la componente di intelligenza artificiale agentica. RAM non si limita infatti a generare risposte, ma può anche attivare agenti AI autonomi che eseguono azioni complesse basate sul contenuto dei dati aziendali. Questi agenti possono orchestrare processi, interagire con altri sistemi, raccogliere documenti pertinenti e perfino prendere decisioni operative in base alle regole definite dall’organizzazione. Una soluzione particolarmente adatta a contesti in cui la tempestività è essenziale come nel settore bancario per il contrasto alle frodi, dove la capacità di individuare e analizzare rapidamente documenti sospetti può fare la differenza tra una perdita economica rilevante e un intervento preventivo.

1758294607286

Nel settore assicurativo, RAM soddisfa l’esigenza di trasformare il processo di gestione dei sinistri, consentendo agli operatori di accedere in tempo reale a polizze, dichiarazioni e documentazione precedente, riducendo errori e tempi di lavorazione. Per la pubblica amministrazione, la piattaforma permette di migliorare sensibilmente l’efficienza dei servizi ai cittadini attraverso risposte coerenti e aggiornate basate su normative, archivi storici e casi risolti in precedenza, mentre nel campo sanitario i medici possono utilizzare RAM come strumento di supporto clinico per analizzare rapidamente note paziente, protocolli e pubblicazioni scientifiche, sintetizzando indicazioni pratiche per diagnosi e trattamenti.

Un ulteriore punto di forza riguarda infine la scalabilità. Come affermato da Jason Mann, VP di IoT in SAS, RAM è progettato per gestire volumi di dati di grandi dimensioni in continuo aggiornamento, senza compromessi in termini di performance. Questo approccio consente di superare uno dei limiti principali delle implementazioni GenAI tradizionali, ovvero l’impossibilità di mantenere aggiornato il modello con i dati più recenti senza effettuare costosi riaddestramenti.

(Immagine in apertura: Shutterstock)